课程资源
环境配置
本地开发与算力资源（AutoDL 推荐）的准备指南
🚧 完整环境配置说明将于正式上课前发布；本页先给出框架清单供参考。
本地开发环境
| 工具 | 版本 | 用途 |
|---|---|---|
| Python | ≥ 3.10 | 所有实验的主力语言 |
| PyTorch | ≥ 2.1 | 深度学习框架 |
| Hugging Face Transformers | ≥ 4.40 | 模型加载与 pipeline |
| pnpm / Node | Node ≥ 20 | 本网站的构建 |
| Git | latest | 版本管理 |
推荐使用 conda 或 uv 管理 Python 环境。
GPU 算力
所有实验均考虑"可在单卡完成"的设计，但不同讲次对显存的要求不同：
| 实验 | 推荐 GPU | 备注 |
|---|---|---|
| 讲 1-3 | 无需 GPU 或 T4 | Pipeline / prompt 实验 CPU 也能跑 |
| 讲 4 RAG | T4 / L4 | Embedding 推理 |
| 讲 5-6 微调 | A100-40G | LoRA / QLoRA 1-4B 模型 |
| 讲 7 Agent | T4 | 主要是推理 |
| 讲 8-9 | T4 | 评估与实验 |
AutoDL（推荐）
北京大学研究生课程常用 AutoDL 租卡，学期总费用约 100-200 元/人。
- 选择华北 / 华东 / 华南机房中延迟最低的
- 镜像推荐：PyTorch 2.1+ / CUDA 12.1+
- 实验结束后记得"关机并释放实例"以避免持续计费
其他选项
- 校内 GPU：咨询教师关于软微学院的共享算力
- Google Colab：免费 T4 可用，但 session 会断
- Kaggle：每周 30h GPU，可做小实验
代码仓库
课程所有示例代码位于 github.com/zhijungao/Language-AI-Practice（仓库与本网站同源）。